跳到正文
11月13日周五
  1. arXiv · NLP30

    低资源语言语音转写:28 个开源多语言模型在 50 种低资源语言上的迁移微调研究

    该研究测试了 28 个开源多语言模型在 Low-Language-TTS 数据集上的表现,并在 50 种低资源语言上进行了微调。 微调使 24 个模型的宏字符错误率(CER)降低 16.6 至 53.1 点,最低降至 9.5;使用低秩适配器(LoRA)仅微调 4% 的权重即可接近全参数微调效果。

  2. arXiv · NLP27

    研究揭示合成客服语音中人类相似度与会话偏好的评判标准存在分歧

    针对120轮客服对话的配对测试显示,听众在“人类相似度”与“会话偏好”上的评判存在显著差异。部分TTS系统在相似度上排名较高,却在偏好上落后;听众在偏好测试中选择合成语音的比例(36%)高于相似度测试(19%)。 仅测量人类相似度或每个系统只测试一个声音,会导致错误判断听众实际更想与之交谈的合成智能体。

  3. arXiv · NLP28

    Hy ASR 3.0 技术报告

    Hy ASR 3.0 是基于 LLM 的自动语音识别系统,支持普通话、英语及 13 类中国方言,在多项公开基准上取得最低综合错误率。模型支持热词列表、问答对话等外部上下文,并利用句内上下文消解同音词歧义。该系统在长语音、儿童及老人语音、低音量及嘈杂环境下均表现出强大的鲁棒性。

  4. arXiv · NLP30

    提出分布鲁棒 BEST-RQ 以改进语音表征学习

    为增强 BEST-RQ 对不同量化配置的鲁棒性,提出分布鲁棒扩展方法。 将训练构建为基于码本的组分布鲁棒优化(DRO)问题,通过自适应重权强调表现较差的组,并使用 Kullback-Leibler 散度正则化。 在 Multilingual LibriSpeech 数据集上验证,该方法性能优于传统的多个码本均匀平均方案。

  5. Hacker News AI28

    Show HN: AxiomStory 推出 AI 故事工作室,确保角色与场景在文本、图像及视频中的一致性

    AxiomStory 是一款 AI 故事工作室,通过自动生成的 Wiki 锁定角色特征,确保文本、图像及视频中角色外观与行为的一致性,并支持一致性检查工具。 其功能涵盖从文本导入到视频生成,付费计划包括 Writer $16/月、Studio $48/月及 Studio Pro $160/月,免费层提供约 30,000 字额度,7 天内可全额退款。

  6. TechCrunch · AI54

    Meta Muse 允许付费用户代拨美国企业电话

    Meta 的消费级 AI 智能体 Muse 现可为用户拨打美国企业电话,该功能仅限付费订阅用户使用。Muse 订阅费用从每月 20 美元起,提供每周 5 亿 Muse tokens,高阶用户可选每月 100 美元获取 30 亿 tokens。Meta 首席 AI 官 Alexandr Wang 表示,此功能可处理诸如运营商、车管所或餐厅订餐等用户不愿亲自拨打的电话。

11月12日周四
  1. The Decoder54

    ElevenLabs 发布 Scribe v3 与 Scribe v3 Live:Scribe v3 领先准确率,Scribe v3 Live 减少语音智能体误切

    ElevenLabs 发布两款语音转文本模型:Scribe v3 面向预录音,102 种语言词错误率较前代下降约 25%,德语准确率提升明显,且首次支持实时场景下的说话人分离;Scribe v3 Live 面向低延迟实时应用,通过分析对话上下文避免语音智能体在说话者短暂停顿或念数字时错误切断。

  2. Hacker News AI80

    Vercel数据显示生产环境中AI模型半衰期仅六周

    部署平台Vercel报告显示,生产环境中的AI模型有效半衰期约为六周,十月语言模型请求中超过半数量流向发布不满60天的新模型。决策模型在十月份占网关总请求量的26%,但成本极低;语音模型使用率在七个月内增长了161%。Anthropic在十月获得了比OpenAI更多新增团队作为首选,而OpenAI则占据了网关总支出的约15%。

    推荐理由:报告基于海量生产数据揭示模型快速更迭规律,指出企业AI核心挑战是构建可连续替换模型的基础设施而非单一选型。

  3. IT之家44

    苹果详解 iPhone 18 Pro 系列 Hey Siri 安全隔离区流程

    苹果发布博文,详解 iPhone 18 Pro 和 iPhone 18 Pro Max 上基于 Secure Exclaves 架构的“Hey Siri”唤醒流程。 该流程采用 Always-On Processor 低功耗初筛,再由 Siri 隔离区进行精细复核,并通过屏幕指示点校验后才放行音频。 苹果承诺原始音视频数据在隔离区内阅后即焚,确保主系统及公司自身无法访问原始数据。

  4. R/ArtificialInteligence45

    125 名付费听众盲测 ElevenLabs 32 种有声书配音:专业声优不比即时克隆好,响度决定胜负

    针对 ElevenLabs 语音库 32 种配音进行的盲测显示,专业与即时克隆声优胜率相当,而音色响度是获胜关键。 1,122 次强制选择判定中,响亮的片段赢了 54% 的对局;Marie 以 66% 胜率居首,使用量与胜率零相关。 测试在 Woodstitch 平台完成,数据已公开,证明了响度对听众偏好的显著影响。

  5. AWS Machine Learning Blog76

    AWS 发布 Amazon Bedrock 和 AgentCore 多项更新

    AWS 发布 Amazon Bedrock 和 AgentCore 多项更新,包括 Claude Haiku 5.5 在 Amazon Bedrock 支持 subagent 场景,OpenAI GPT-6.1 Terra 在 Amazon Bedrock 上 GA,并带来 100 万输入 token 和更低价格。

    推荐理由:原文汇总了模型可用性变化与 AgentCore 新增能力,读者可以据此判断现有 AI 工作流需要调整哪些部分。

11月11日周三
  1. IT之家61

    DeepL 推出语音 AI 翻译模型 Aure

    DeepL 推出旗下最具动态感的语音 AI 翻译模型 Aure,能够实时复现说话者的语气起伏、情绪流转及重音强调。该模型建立在声音保留技术之上,已支持 DeepL Voice 网页会议版、面对面交谈版及语音 API,首发覆盖英语、德语、法语等 8 种语言。

  2. Hacker News AI50

    Kindred 推出 AI 伴侣与匿名人类匹配功能

    Kindred 是一个提供 AI 对话并帮助用户寻找同好新朋友的社交平台,支持开启匹配后以匿名方式加入共享房间交流。其语音对话功能使用 OpenAI 的 GPT-Live,文本回复使用 GPT-5.6 Luna,且具备记忆与章节(Chapters)管理功能,目前已在 App Store 上线。

  3. IT之家46

    挪威 LA4O 团队通过地面无线电语音指令成功启动 OPS-SAT PRETTY 卫星上的《毁灭战士》

    挪威 LA4O 团队于 2026 年 7 月 27 日通过地面无线电发送语音指令,成功让 OPS-SAT PRETTY 卫星启动《毁灭战士》,创下全球首例纪录。 团队利用约 27MB 的 AI 语音识别模型处理信号,该立方体卫星在轨完成降噪与指令识别,最终通过关键词触发游戏并回传图像。 项目由 Tanagra Space 牵头,历时 59 天完成,相关技术未来有望应用于识别太空中的遇险求救信号。

  4. arXiv · NLP42

    Walrus 8B 统一语音与音频基础模型技术报告

    Walrus 是一个基于 Gemma 4 初始化的 8B 统一语音与音频基础模型,支持 ASR、翻译、TTS 等 20 多项任务及 100 种语言。 该模型采用数据为中心的训练策略,通过三阶段课程学习平衡不同任务,预测低比特率离散语音 token 并由轻量解码器转波形。 在多数多语言、多说话人基准上领先同级开源模型及专用模型,性能匹配或超越 4 倍大小的 Qwen3-Omni。

  5. arXiv · NLP21

    语音编码信息率研究:词元比音素和音节更优

    一项基于 960 小时英语有声书语料的研究表明,在有限建模预算下,词是最优的语音编码单位。 该研究对比了音素、音节及多词组合的信息率,发现使用 n-gram 或 Transformer 模型时,词的信息率最低。 结果指出,大于音节但小于长词组的中间单元在有限算力下提供了最高效的信息表示。

  6. arXiv · NLP32

    AVCC:用于结合人类基准测试的视觉语音对话语料库

    AVCC是一个31小时的单摄像头单麦克风视觉语音对话语料库,用于多方下一位说话人预测(NSP)公开基准。 该语料库包含双人和三人在线对话,带有词级强制对齐转录文本,并新增了一个说话人不相交的七段视频测试划分,包含865个保持静默和865个切换静默事件,以及在相同事件上收集的人类参考基准。

  7. arXiv · AI28

    基于内容嵌入匹配的语音匿名化模型

    该模型利用冻结的 wav2vec2 提取内容嵌入,结合向量量化与 HiFi-GAN 生成匿名语音,未使用波形重建损失。 在 VPC 评测中,模型 WER 低至 2.53,EER 为 13.39,且无需辅助目标即可部分保留情感特征(UAR 43.91)。 该方法证明了仅依赖嵌入匹配即可实现低失真匿名化,适用于对隐私有要求但不需高保真的场景。

  8. arXiv · AI23

    利用生成网络进行数据增强以识别痴呆症

    针对医疗数据稀缺问题,本研究利用生成网络对语音特征进行数据增强,提升了痴呆症分类器性能。 变分自编码器将区分记忆诊所典型患者组的四分类器 F-score 从 58% 提升至 74%,提高了 16%。 该方法证实生成模型在稀疏数据域中训练鲁棒分类器的有效性。